独立Gamma变量比值分布求解：Y_i=X_i/(X₁+…+X_i)的推导疑问

嘿，我完全懂你直接算k维雅可比矩阵有多折磨——其实不用钻这个牛角尖，我们可以借助Gamma分布的两个核心性质，用递推的方式轻松推导，还能顺便得到变量之间的独立性！

首先先明确两个关键前提，这是整个推导的基础：

• Gamma可加性：如果$X \sim \text{Gamma}(\alpha, a)$，$Y \sim \text{Gamma}(\alpha, b)$且二者独立，那么$X+Y \sim \text{Gamma}(\alpha, a+b)$。
• Beta-Gamma关联：同样是上面独立的X和Y，$\frac{X}{X+Y}$会服从$\text{Beta}(a, b)$，而且这个比例变量和$X+Y$本身是相互独立的。

接下来我们一步步递推，从低维到高维：

先看$Y_2$的分布 #

令$S_1 = X_1$，显然$S_1 \sim \text{Gamma}(\alpha, p_1)$，而且它和$X_2$独立。套用Beta-Gamma的关系：
$$Y_2 = \frac{X_2}{S_1 + X_2} \sim \text{Beta}(p_2, p_1)$$
同时，$Y_2$和$S_2 = S_1 + X_2$（也就是$X_1+X_2$）是独立的，而$S_2$本身服从$\text{Gamma}(\alpha, p_1+p_2)$。

递推到任意$Y_i$（$i>2$） #

假设我们已经处理到了$i-1$步，此时：

• 前$i-1$个变量的和$S_{i-1} = X_1+X_2+...+X_{i-1} \sim \text{Gamma}(\alpha, P_{i-1})$，这里$P_{i-1} = p_1+p_2+...+p_{i-1}$；
• 之前的比例变量$Y_2,...,Y_{i-1}$都是由$X_1$到$X_{i-1}$构造的，它们的联合分布和$S_{i-1}$是独立的（这个可以通过归纳法轻松验证，因为每个$Y_j$都是$X_j$和前$j$项和的比例，和总$S_{i-1}$没有直接依赖）。

因为$X_i$和前面所有$X_1$到$X_{i-1}$都独立，所以$X_i$和$S_{i-1}$、$Y_2,...,Y_{i-1}$也都独立。再次套用Beta-Gamma关系：
$$Y_i = \frac{X_i}{S_{i-1} + X_i} \sim \text{Beta}(p_i, P_{i-1})$$
而且$Y_i$和$S_i = S_{i-1}+X_i$独立，自然也和之前的$Y_2,...,Y_{i-1}$独立——因为那些变量和$S_{i-1}$独立，而$Y_i$只和$S_{i-1}$、$X_i$相关，$X_i$又和前面的所有变量都独立。

最终结论 #

对于$i=2,3,...,k$，所有的$Y_i$都是相互独立的随机变量，每个$Y_i$服从参数为$(p_i, p_1+p_2+...+p_{i-1})$的Beta分布，也就是：
$$Y_i \sim \text{Beta}\left(p_i, \sum_{m=1}^{i-1} p_m\right)$$

为什么这个方法比直接变量变换好？ #

你之前尝试的直接变量替换在k=3时就已经要算复杂的雅可比，k维下求导和行列式计算简直是噩梦，很容易出错。而用递推+Gamma/Beta的性质，不仅避开了繁琐的矩阵运算，还能直接得到变量之间的独立性——这是直接变换很难一眼看出来的结论。

内容的提问来源于stack exchange，提问作者user321656